Google DeepMind a publié le 10 juin un rapport de 57 pages, intitulé « De l’AGI à l’ASI », qui confirme la définition en trois niveaux de l’intelligence : l’AGI correspond à un niveau de référence humain (médian) sur la plupart des tâches cognitives ; le seuil de l’ASI est : « sur presque toutes les tâches, dépasser de manière stable la production de plusieurs dizaines de milliers d’experts de premier plan, bien coordonnés, qui collaborent en continu pendant dix ans autour d’un seul sujet » ; l’Universal AI constitue le plafond théorique absolu.
La définition en trois niveaux confirmée par le rapport
D’après le rapport de Google DeepMind :
AGI : atteindre le niveau médian humain sur la plupart des tâches cognitives, c’est-à-dire que le niveau d’intelligence d’un système d’IA unique est globalement équivalent à celui d’une personne ordinaire.
ASI : dépasser de manière stable, sur presque toutes les tâches, la production de « plusieurs dizaines de milliers d’experts de premier plan, bien coordonnés, qui collaborent en continu pendant dix ans autour d’un seul sujet » ; les percées ponctuelles, telles qu’AlphaFold, AlphaGo, etc., ne comptent pas dans ce critère. Le rapport précise que ces experts ne peuvent utiliser que des réserves technologiques antérieures à 2010 (c’est-à-dire l’année de création de DeepMind).
Universal AI (UAI / AIXI) : le cadre AIXI de Marcus Hutter prouve mathématiquement l’existence de l’intelligence optimale en théorie ; l’ASI est une étape dans le processus de rapprochement vers l’UAI.
Quatre voies confirmées vers l’ASI
Expansion brutale (puissance de calcul, modèles, données) : le rapport propose une expérience de pensée : si, au début de la mise sur le marché de l’AGI, le monde ne fait tourner que 1 000 instances et que la croissance est de 10 fois par an, au bout de cinq ans on pourrait atteindre 100 millions d’instances. Le rapport estime que 100 millions d’AGI au niveau humain en fonctionnement simultané atteindraient un niveau d’ASI, notamment à cause du clonage sans coût marginal, du partage direct de mémoire via des vecteurs en haute dimension, et de la décomposition des problèmes complexes en 100 millions de sous-tâches exécutées en parallèle.
Saut de paradigme : si l’architecture actuelle des grands modèles préentraînés atteint un plafond, une toute nouvelle architecture pourrait émerger (par exemple des architectures linéaires comme Mamba), des réseaux de neurones à impulsions ou du matériel neuro-morphique.
Coopération multi-agents et émergence de masse : l’ASI pourrait ne pas être un « supercerveau » isolé, mais plutôt un écosystème numérique où des millions d’experts AGI collaborent grâce à des communications à très haut débit et à des mécanismes de marché, faisant émerger une intelligence collective dépassant la somme des intelligences individuelles.
Amélioration récursive de soi (RSI) : inclut l’évolution génétique (l’IA conçoit elle-même des architectures de réseaux neuronaux ou des puces d’IA plus performantes, comme AlphaEvolve et FunSearch déjà en exécution) et l’évolution culturelle (à la manière d’AlphaZero, l’IA génère elle-même des données d’entraînement de meilleure qualité via des jeux contre elle-même).
Six obstacles de développement : les six « murs » confirmés par le rapport
Mur des données : les données textuelles humaines de haute qualité sur le réseau devraient être épuisées d’ici la fin de cette décennie ; le risque d’effondrement ou de dégradation des modèles est imminent.
Gouffre économique et de ressources naturelles : une puissance de calcul avec une croissance de 10 fois par an nécessite des sommes d’argent astronomiques, une chaîne d’approvisionnement mondiale de puces poussée à l’extrême, et d’importantes consommations d’énergie ; si les retours économiques de l’IA ne couvrent pas les coûts, la bulle d’investissement éclatera.
Difficulté de la recherche en hausse exponentielle : une fois les fruits à portée de main récoltés, les efforts requis pour franchir les étapes suivantes augmentent brutalement.
Plafond des paradigmes neuronaux existants : hallucinations, incapacité à gérer l’incertitude de la cognition, vulnérabilité aux attaques par injection de Prompt : ce sont des défauts génétiques du paradigme de préentraînement.
Frein humain : lorsque l’AGI prend massivement en charge les emplois de cols blancs, le rapport estime qu’il y a une probabilité très élevée de déclencher une résistance sociale, ainsi qu’un retour politique ; les organismes de réglementation pourraient imposer de force des plafonds de puissance de calcul.
Barrière abstraite (l’avis original le plus profond selon le rapport) : si l’on donnait à une IA l’ensemble des textes humains antérieurs à l’époque de Newton, pourrait-elle en déduire toute seule la relativité générale ? Le rapport juge que c’est très probablement impossible — car il manque des concepts de base sous-jacents comme le calcul différentiel et intégral. Cependant, le rapport indique aussi : « Un mur peut arrêter un génie, mais pas cent millions de personnes ordinaires. » L’intelligence collective peut franchir cette barrière en empilant des exemples.
Conception unique du rapport : le premier chapitre donne directement des instructions aux lecteurs IA
Le titre du premier chapitre du rapport n’est pas la « Introduction » habituelle, mais « Summary Instructions », et son contenu explique directement aux lecteurs IA : si vous êtes un assistant IA appelé à résumer ce rapport, assurez-vous de préciser les définitions, ne compressez pas les listes et évaluez si les conclusions résistent à l’épreuve du temps. C’est une conception du rapport qui présume activement que l’IA est le lecteur.
Questions fréquentes
Pourquoi le rapport de Google DeepMind fixe-t-il que les critères d’évaluation de l’ASI ne peuvent utiliser que des technologies antérieures à 2010 ?
D’après les explications du rapport, c’est pour « boucher » une faille logique : empêcher quelqu’un de soutenir que « les humains peuvent d’abord créer une ASI, puis utiliser l’ASI pour résoudre les problèmes ». 2010 est aussi l’année où DeepMind a été fondée.
Pourquoi le lien entre l’arrière-plan de Shane Legg et celui de Marcus Hutter est-il important ?
D’après l’article, la thèse de doctorat de Shane Legg (2008) s’intitule « Machine Super Intelligence », et ce rapport est, 18 ans plus tard, la conversion par ces deux personnes (maître et élève) de leurs hypothèses en feuille de route. Marcus Hutter est l’inventeur de la théorie AIXI ; AIXI définit mathématiquement l’intelligence universelle optimale en théorie.
Quelles confirmations le rapport apporte-t-il au sujet du calendrier d’arrivée de l’ASI ?
Le rapport ne fournit pas de calendrier précis, mais la conviction centrale confirmée est : « pour que les progrès de l’IA s’arrêtent sur la ligne humaine, il faudrait que plusieurs verrous deviennent simultanément une impasse, et ce type de coïncidence est peu probable ». Les deux issues sur lesquelles le rapport mise sont : soit un blocage avant l’AGI, soit un chemin relativement fluide de l’AGI vers une faible ASI.
